pdf转word，这个库好用

环境

windows 10 64位
anaconda with python 3.7
pdf2docx 0.5.2

前言

将pdf文件转换成word文件是一个非常常见的操作，我相信，大部分人的免费解决方案是使用一些在线的转换服务，但是这里会有个数据泄露的问题。本文介绍一个开源免费的本地转换工具，pdf2docx。

安装pdf2docx

安装方法非常简单，使用pip指令，执行

pip install pdf2docx

安装成功后，除了基础的库之外，pdf2docx还为我们提供了可执行文件pdf2docx。

日常使用的话，直接使用可执行文件就能够进行pdf到docx的转换；如果需要在python代码中使用，那么，使用其提供的api也能够达到目的。

命令行的使用

通过pdf2docx --help可以查看命令行的具体帮助信息

INFO: Showing help with the command 'pdf2docx -- --help'.NAMEpdf2docx - Command line interface for ``pdf2docx``.SYNOPSISpdf2docx COMMAND | -DESCRIPTIONCommand line interface for ``pdf2docx``.COMMANDSCOMMAND is one of the following:convertConvert pdf file to docx file.debugConvert one PDF page and plot layout information for debugging.guiSimple user interface.tableExtract table content from pdf pages.

上述帮助列出了pdf2docx支持的指令，这里我们主要了解下convert和gui

convert

这是它的核心功能，convert本身也提供了很多的参数，可以通过pdf2docx convert --help来查看，这样的写法同样适用于其它指令，后面的我们就不再详细列出了

(base) PS C:\Users\Administrator> pdf2docx.exe convert --help
INFO: Showing help with the command 'pdf2docx convert -- --help'.NAMEpdf2docx convert - Convert pdf file to docx file.SYNOPSISpdf2docx convert PDF_FILE <flags>DESCRIPTIONConvert pdf file to docx file.POSITIONAL ARGUMENTSPDF_FILEType: strPDF filename to read from.FLAGS--docx_file=DOCX_FILEType: Optional[str]Default: Nonedocx filename to write to. Defaults to None.--password=PASSWORDType: Optional[str]Default: NonePassword for encrypted pdf. Default to None if not encrypted.--start=STARTType: intDefault: 0First page to process. Defaults to 0.--end=ENDType: Optional[int]Default: NoneLast page to process. Defaults to None.--pages=PAGESType: Optional[list]Default: NoneRange of pages. Defaults to None.Additional flags are accepted.Configuration parameters... noteNOTESYou can also use flags syntax for POSITIONAL ARGUMENTS

由上可知，要转换pdf里所有的页面，只需执行

pdf2docx.exe convert test.pdf test.docx

从第3页开始，直到结束

pdf2docx.exe convert test.pdf test.docx --start=2

从开始到第10页

pdf2docx.exe convert test.pdf test.docx --end=10

从第2页到第5页

pdf2docx.exe convert test.pdf test.docx --start=1 --end=5

要特别注意，这里的start和end都是从0开始的

当然，不连续的页面也是可以一次性转换，比如

pdf2docx.exe convert test.pdf test.docx --pages=0,2,4

如果pdf是加密的，可以这样转换

pdf2docx.exe convert test.pdf test.docx --password=PASSWORD

gui

如果你不习惯用命令行，pdf2docx也提供了一个简单的图形界面，在cmd中敲入pdf2docx gui就可以调出来。真的是很粗糙，按钮的文字都没有显示全，不过功能还是ok的。

pdf2docx

API的使用

如果要在python中实现pdf到docx的转换，pdf2docx为我们提供了完整的api，来看一个最简单的示例

from pdf2docx import Converterif __name__ == "__main__":pdf_file = "test.pdf"docx_file = "test.docx"conv = Converter(pdf_file)conv.convert(docx_file, start=0, end=None)conv.close()

更详细的API文档，可以参考链接 https://dothinking.github.io/pdf2docx/modules.html

局限性

目前的pdf2docx版本，仅适用于基于文本的pdf，阅读习惯是从左到右。大家在使用的时候需要注意。

Python实用模块专题

更多有用的python模块，请移步

https://xugaoxiang.com/category/python/modules/

参考资料

https://github.com/dothinking/pdf2docx